Publications scientifiques

Cet abstract discute de l’utilisation d’un modèle de radiomique basé sur l’imagerie de tomodensitométrie pour prédire de façon non invasive la mutation de l’EGFR dans le cancer pulmonaire non à petites cellules (NSCLC – Non-Small Cell Lung Cancer). Lors de l’étude, des images scanner ont été collectées en provenance de plusieurs centres et de bases de données en libre accès afin d’investiguer les performances du modèle. Les résultats du modèle sont prometteurs avec une AUC de 0,83 sur le jeu de données d’apprentissage et une AUC de 0,76 sur le jeu de données test. Les auteurs en concluent que l’analyse des images médicales basées sur l’IA a le potentiel d’extraire des biomarqueurs prédictifs qui pourront dans le futur guider les thérapies ciblées.

L’étude présentée dans cet abstract concerne l’utilisation d’un modèle de radiomique basé sur l’imagerie de tomodensitométrie pour prédire le sous-type histopathologique de patients atteints d’un cancer pulmonaire non à petites cellules (NSCLC – Non-Small Cell Lung Cancer). L’étude a été réalisée sur les données de 678 patients (531 patients pour le jeu de données d’apprentissage et 147 pour le jeu de données test). Les caractéristiques radiomiques extraites des images de tomodensitométrie ont été utilisées pour constituer un classifieur de machines à vecteurs de support (SVM – Support Vector Machine), qui a atteint une précision de 0,80 sur le jeu de données d’apprentissage et de 0,77 sur le jeu de données test. L’étude a montré que les radiomiques extraits de l’imagerie de tomodensitométrie permettent de prédire de façon précise le sous-type histopathologique de patients atteints de cancers pulmonaires non à petites cellules, ce qui permettrait de proposer une alternative moins invasive et moins coûteuse aux méthodes traditionnelles d’analyse tissulaire.